基于深度學(xué)習(xí)的人臉識別算法并行化研究.pdf

1、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)是深度學(xué)習(xí)技術(shù)應(yīng)用最成熟的模型之一，卷積神經(jīng)網(wǎng)絡(luò)算法可以從原始輸入中有效學(xué)習(xí)到高階不變性的特征，利用卷積神經(jīng)網(wǎng)絡(luò)來提取特征進行目標(biāo)識別和分析是當(dāng)前比較熱的研究方向。目前 CNN主要以單機串行方式實現(xiàn)，串行執(zhí)行的CNN算法存在一些缺陷：一是串行模式凸顯出訓(xùn)練時間過長，算法內(nèi)在并行性得不到發(fā)揮，內(nèi)存不足等；二是伸縮性不足，在處理密集型數(shù)據(jù)效率不高?，F(xiàn)今比較流

2、行的 MapReduce分布式計算模型具有良好的容錯性和擴展性，本文利用 Hadoop分布式處理平臺，提出了采用 MapReduce并行化CNN的算法 MRCNN。并在 MRCNN算法基礎(chǔ)上持續(xù)進行優(yōu)化，提出利用GPU加速 MRCNN算法，將每層的特征圖、神經(jīng)元或權(quán)值分別映射到 GPU的線程塊、線程，使得同層神經(jīng)元可并行地計算輸出結(jié)果、輸出誤差或權(quán)值的局部梯度改變量。
　　本文首先介紹人臉識別的基本原理，描述常用的人臉識別算法的處

3、理流程。其次闡述了深度學(xué)習(xí)的原理和理論，分析卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特征，針對其單機性能問題提出并行化思想。接著描述了 Hadoop圖像處理框架，設(shè)計出了圖像的存儲與計算模型。最后研究 Hadoop平臺上并行化卷積神經(jīng)網(wǎng)絡(luò)，并通過 GPU對并行化的神經(jīng)網(wǎng)絡(luò)進行進一步加速。最后在改進的深度學(xué)習(xí)云平臺上做人臉識別實驗。本文的主要工作如下：
　　1.針對 Hadoop不直接支持處理海量小圖像文件和不能高效管理這些小文件的問題，研究并實現(xiàn)了 H

4、adoop圖像處理框架?？蚣苤贫藞D像數(shù)據(jù)在 Java開發(fā)語言中的表示，使其適用于MapReduce計算模型。設(shè)計了存儲模型來高效存儲海量小文件及管理小文件。
　　2.提出了一種在 Hadoop集群上，采用數(shù)據(jù)并行的方式，基于MapReduce并行化多層神經(jīng)網(wǎng)絡(luò)的方法 MRCNN，給出了算法設(shè)計與實現(xiàn),在此基礎(chǔ)上使用 GPU進一步進行加速，提出了 GMRCNN算法。
　　3.最后基于 GMRCNN實現(xiàn)人臉識別并行化研究。實驗